代码示例中出现的问题。InformationValue::Woe

Question

我正在通过这篇博客学习新的特征选择方法：

https://www.machinelearningplus.com/machine-learning/feature-selection/

第九点。我偶然发现了一些问题。首先是简历，我已经解决了这个问题。

library(InformationValue)
adult <- read.csv('https://archive.ics.uci.edu/ml/machine-learning-databases/adult/adult.data', 
                    sep = ',', fill = F, strip.white = T,stringsAsFactors = FALSE)
colnames(adult) <- c('age', 'WORKCLASS', 'fnlwgt', 'EDUCATION', 
                     'educatoin_num', 'MARITALSTATUS', 'OCCUPATION', 'RELATIONSHIP', 'RACE', 'SEX', 
                     'capital_gain', 'capital_loss', 'hours_per_week', 'NATIVECOUNTRY', 'ABOVE50K')
inputData <- adult
print(head(inputData))

但是我不能解决下一个问题

# Choose Categorical Variables to compute Info Value.
cat_vars <- c ("WORKCLASS", "EDUCATION", "MARITALSTATUS", "OCCUPATION", "RELATIONSHIP", "RACE", "SEX", "NATIVECOUNTRY")  # get all categorical variables

# Init Output
df_iv <- data.frame(VARS=cat_vars, IV=numeric(length(cat_vars)), STRENGTH=character(length(cat_vars)), stringsAsFactors = F)  # init output dataframe

# Get Information Value for each variable
for (factor_var in factor_vars){
  df_iv[df_iv$VARS == factor_var, "IV"] <- InformationValue::IV(X=inputData[, factor_var], Y=inputData$ABOVE50K)
  df_iv[df_iv$VARS == factor_var, "STRENGTH"] <- attr(InformationValue::IV(X=inputData[, factor_var], Y=inputData$ABOVE50K), "howgood")
}

# Sort
df_iv <- df_iv[order(-df_iv$IV), ]

df_iv

我一直在IV中得到0值，当然，在数据帧的列中也不是预测值。

我试着做一个

factor_vars=cat_vars

但它似乎不起作用，坦率地说，我不明白为什么它不起作用。

Answer 1

就这么解决了。在第一个例子中，stringsAsFactors = FALSE的参数是不必要的，因为我们需要因子。

然后，参考IV函数并查看数据集的摘要，我注意到，尽管它是函数需要数字输入的一个因素，但该函数无法提取其“值”(level)。所以我们必须绕过它。

as.numeric(inputData$ABOVE50K)

“解决它”，尽管也许我应该改变值，因为它给出了1-2而不是经典的0-1响应。我正在努力。

我认为有一个最简单的解决方案，但是：

levels(inputData$ABOVE50K)

inputData$ABOVE50K2 = as.numeric(inputData$ABOVE50K)

inputData$ABOVE50K3= ifelse(inputData$ABOVE50K2 ==1,0, ifelse(inputData$ABOVE50K2==2,1,NA))

inputData$ABOVE50K3 <- factor(inputData$ABOVE50K3)

输出也是一样的。因此，不需要将级别更改为0-1。

# Choose Categorical Variables to compute Info Value.
cat_vars <- c ("WORKCLASS", "EDUCATION", "MARITALSTATUS", "OCCUPATION", "RELATIONSHIP", "RACE", "SEX", "NATIVECOUNTRY")  # get all categorical variables

factor_vars= cat_vars

# Init Output
df_iv <- data.frame(VARS=cat_vars, IV=numeric(length(cat_vars)), STRENGTH=character(length(cat_vars)), stringsAsFactors = F)  # init output dataframe

# Get Information Value for each variable
for (factor_var in factor_vars){
  df_iv[df_iv$VARS == factor_var, "IV"] <- InformationValue::IV(X=inputData[, factor_var], Y=inputData$ABOVE50K3)
  df_iv[df_iv$VARS == factor_var, "STRENGTH"] <- attr(InformationValue::IV(X=inputData[, factor_var], Y=inputData$ABOVE50K3), "howgood")
}

# Sort
df_iv <- df_iv[order(-df_iv$IV), ]

df_iv